通過分箱組件可以進行特徵離散化，即將連續的資料進行分段，使其變為多個離散化區間。分箱組件支援等頻分箱、等寬分箱及自動分箱。
配置組件
您可以使用以下任意一種方式，配置分箱組件參數。
方式一：可視化方式
在Designer工作流程頁面配置組件參數。
|
頁簽 |
參數 |
描述 |
|
欄位設定 |
特徵列 |
支援STRING、BIGINT及DOUBLE類型。 |
|
標籤列 |
僅支援二分類。 |
|
|
正例值 |
僅當標籤列存在時才生效。 |
|
|
選擇分箱的參數來源 |
參數來源支援“參數設定”中的參數和手動分箱或自訂Json。 |
|
|
是否保留沒有在“特徵列”中選擇的欄位 |
使用自訂分箱時，如果該參數選擇是，則未在特徵列中選擇的欄位會原樣保留，否則會刪除未選擇的欄位。 |
|
|
上傳分箱和約束Json |
當選擇分箱的參數來源取值為手動分箱或自訂Json時，該參數生效。 |
|
|
參數設定 |
分箱個數 |
配置為10，表示將連續特徵離散化至10個區間中。 |
|
自訂欄分箱個數 |
可以指定單個或多個欄位的分箱數，會覆寫總的分箱個數。如果自訂的列不在欄位選擇中，則多出的列也會進行計算。例如，欄位選擇為col0和col1， 自訂分箱為col0:3,col2:5，當分箱個數為10時，那麼按照col0:3,col1:10,col2:5進行計算。 取值格式為：欄位名1:分箱個數, 欄位名2:分箱個數。 |
|
|
自訂離散值個數閾值 |
格式為col0:3。 |
|
|
區間選擇 |
支援左開右閉或左閉右開區間。 |
|
|
分箱方式 |
支援等頻、等寬及自動分箱。 |
|
|
離散值個數閾值 |
如果小於該值，則分到“其它”分箱。 |
|
|
執行調優 |
核心數 |
預設系統自動分配。 |
|
每個核分配的記憶體數 |
預設系統自動分配。 |
方式二：PAI命令方式
使用PAI命令方式，配置該組件參數。您可以使用SQL指令碼組件進行PAI命令調用，詳情請參見SQL指令碼。
PAI -name binning
-project algo_public
-DinputTableName=input
-DoutputTableName=output|
參數 |
描述 |
是否必選 |
預設值 |
|
inputTableName |
輸入表的名稱。 |
是 |
無 |
|
outputTableName |
輸出表的名稱。 |
是 |
無 |
|
selectedColNames |
輸入表選擇分箱的列。 |
否 |
除Label外的其他列，如果無Label，則選擇全部。 |
|
labelColName |
Label所在的列。 |
否 |
無 |
|
validTableName |
表示binningMethod為auto時輸入的驗證表名。在auto模式下，該參數為必選。 |
否 |
空 |
|
validTablePartitions |
驗證表選擇的分區。 |
否 |
全表 |
|
inputTablePartitions |
輸入表選擇的分區。 |
否 |
全表 |
|
inputBinTableName |
輸入的分箱表。 |
否 |
無 |
|
selectedBinColNames |
分箱表選擇的列。 |
否 |
空 |
|
positiveLabel |
輸出正樣本的分類。 |
否 |
1 |
|
nDivide |
分箱的個數，取值為正整數。 |
否 |
10 |
|
colsNDivide |
自訂欄的分箱個數，例如col0:3,col2:5。如果colsNDivide中選中的列不在selectedColNames中，則多出的列也會進行計算。例如，selectedColNames為col0,col1，colsNDivide為col0:3,col2:5，nDivide為10時，則按照col0:3,col1:10,col2:5進行計算。 |
否 |
空 |
|
isLeftOpen |
選擇區間為左開右閉或左閉右開，取值包括為：
|
否 |
true |
|
stringThreshold |
離散值為其他分箱的閾值。 |
否 |
無 |
|
colsStringThreshold |
自訂欄的閾值，同colsNDivide。 |
否 |
空 |
|
binningMethod |
分箱類型，取值包括：
|
否 |
quantile |
|
lifecycle |
輸出表的生命週期，取值為正整數。 |
否 |
無 |
|
coreNum |
核心數，取值為正整數。 |
否 |
系統自動計算 |
|
memSizePerCore |
記憶體數，取值為正整數。 |
否 |
系統自動計算 |
分箱約束功能需要與評分卡訓練組件配合使用。在評分卡訓練過程中通過分箱進行特徵工程，將特徵離散化產生Dummy變數，並對訓練過程中的每個Dummy變數的權重增加一定約束。各個約束項的含義如下：
-
順序升序約束：該特徵的各個Dummy變數按照Index從小到大添加權重上升的約束，即Index越大，權重越大。
-
順序降序約束：該特徵的各個Dummy變數按照Index從小到大添加權重下降的約束，即Index越大，權重越小。
-
相等權重值：該特徵兩個Dummy變數的權重值相等的約束。
-
權重值為0：該特徵某個Dummy變數的權重值為0的約束。
-
等於固定權重值：該特徵某個Dummy變數的權重值等於固定浮點數值的約束。
-
WOE值順序約束：該特徵各個Dummy變數按照WOE值從小到大添加權重上升的約束，即WOE值越大，權重值越大。
結果示範
-
使用分箱組件的工作流程運行結束後，按右鍵畫布中的分箱組件，在捷徑功能表，單擊我要分箱。
-
在變數列表頁面，您可以查看每個變數的分箱數、類型、IV等資訊。
-
單擊變數的名稱（以f1為例），可以開啟f1-分箱詳情頁面。
您可以在該頁面對分箱進行合并、拆分，也可以對分箱增加約束。
說明約束僅對後續的評分卡訓練模組有效，如果僅使用分箱，不使用評分卡訓練，則可以忽略約束項。
頁面支援列表和圖表兩種查看方式。列表展示每個分箱的Index、Label（分箱區間，如(-inf,4.8]）、Constrain（約束操作符和值）、WOE、Number（總數、正例數、負例數）及Rate（比例）。右側自訂分箱面板支援按數實值型別指定分箱、設定邊界範圍，以及配置約束類型，包括順序升序（< bin）、順序降序（> bin）、相等權重值（= bin）、權重值為0（= 0）、等於固定權重值（= weight）及WOE值順序約束。